Pythonによるデータ解析入門

著者: 山内長承著

ダウンロードあり

Pythonの基礎を学びながらデータ解析の実践技術が身につく！

本書は『Pythonによる統計分析入門』の多変量解析編に相当するものですが、前著のより発展的な内容として、ネットワーク解析まで扱っています。Pythonの基本を学びながら、より実践で活用できるデータ解析を習得できます。Pythonの解析ライブラリを使った独習書として、多次元データの解析、アソシエーション分析、ネットワーク解析などを丁寧に解説し、実務的な課題にも応用できるようになっています。

このような方におすすめ

○顧客ニーズの調査やリサーチを行うマーケティング担当者など、データ解析の基本を知って業務に活かしたい人
○データに基づいて意思決定をしたい経営者
○データを扱う情報工学科などの学生
○データサイエンティストを目指す人
○Pythonユーザー

初級

書籍詳細
目次
ダウンロード
正誤表

書籍詳細

定価: 2,970円（本体2,700円＋税）
頁: 276頁
発売日: 2018/11/29
ISBN: 978-4-274-22288-7
判型: A5
発行元: オーム社

書籍カテゴリ: 自然科学・科学一般

数学

統計学応用

第 1 章データ解析の基礎知識

第 2 章 Pythonとデータ解析ライブラリ
第 3 章統計的な手法を使った多変量の分析　～　相関分析・回帰分析・主成分分析・因子分析
第 4 章学習の手法を使った多変量の分析　～　クラスタ解析・k-近傍・決定木・SVM
第 5 章アソシエーション分析
第 6 章時系列データの解析
第 7 章ネットワークの解析

詳細目次

第 1 章データ解析の基礎知識

1.1 データ解析とは

1.2 いろいろな量・データの種類
1.3 分析手法の概観
第 2 章 Pythonとデータ解析ライブラリ
2.1 Pythonの紹介
2.2 動かす環境・Jupyter Notebook
2.3 データ解析パッケージ NumPy と pandas
2.4 可視化のための描画パッケージ Matplotlib
2.5 データアクセス
2.6 欠損データの取り扱い
第 3 章統計的な手法を使った多変量の分析　～　相関分析・回帰分析・主成分分析・因子分析
3.1 相関分析と回帰分析
3.2 カテゴリデータの連関分析
3.3 主成分分析
3.4 因子分析
3.5 コレスポンデンス分析
第 4 章学習の手法を使った多変量の分析　～　クラスタ解析・k-近傍・決定木・SVM
4.1 クラスタリングの考え方
4.2 階層型クラスタリング
4.3 k-means法による非階層型クラスタリング
4.4 EMアルゴリズムによる混合ガウス分布の推定
4.5 k-近傍法による分類学習
4.6 決定木学習による分類学習
4.7 サポートベクターマシン (SVM) による分類学習
第 5 章アソシエーション分析
5.1 アソシエーション分析
5.2 Pythonでのアソシエーション分析
5.3 アソシエーション分析の例
第 6 章時系列データの解析
6.1 時系列データの解析
6.2 自己回帰移動平均 (ARMA) モデル
第 7 章ネットワークの解析
7.1 ネットワーク解析の考え方
7.2 基礎的な指標～経路長・次数・推移性・構造
7.3 中心性・ネットワーク構造・類似性

ダウンロード

ここでは、本書内で使用しているコードやCSVを、圧縮ファイル（zip形式）にて提供しています（Program_Samples.zip；約57KB）。圧縮ファイルを解凍（フォルダ付き）してご利用ください。

本ファイルは、本書をお買い求めになった方のみご利用いただけます。本書をよくお読みのうえ、ご利用ください。本ファイルの著作権は、本書の著者である山内長承氏に帰属します。
本ファイルを利用したことによる直接あるいは間接的な損害に関して、著者およびオーム社はいっさいの責任を負いかねます。利用は利用者個人の責任において行ってください。